Spider理论系列-多进程

其实进程后期用的不多,你如果开启了很多个进程同时执行任务,有一说一,我的小破电脑肯定是扛不住,不知道有没有能抗得住的.哈,开个玩笑,大家也别真尝试,进程开多了,内存消耗的是很快很大的。

高效编程

一、多任务原理

• 概念
  现代操作系统比如Mac OS X，UNIX，Linux，Windows等，都是支持“多任务”的操作系统
• 什么叫多任务？
  就是操作系统可以同时运行多个任务
• 单核CPU实现多任务原理操作系统轮流让各个任务交替执行，QQ执行2us（微秒），切换到微信，在执行2us，再切换到陌陌，执行2us……。表面是看，每个任务反复执行下去，但是CPU调度执行速度太快了，导致我们感觉就像所有任务都在同时执行一样

• 多核CPU实现多任务原理 真正的秉性执行多任务只能在多核CPU上实现，但是由于任务数量远远多于CPU的核心数量，所以，操作系统也会自动把很多任务轮流调度到每个核心上执行

• 并发与并行

• 并发
  CPU调度执行速度太快了,看上去一起执行，任务数多于CPU核心数
• 并行
  真正一起执行，任务数小于等于CPU核心数
• 并发是逻辑上的同时发生，并行更多是侧重于物理上的同时发生。

• 实现多任务的方式

• 多进程模式
  启动多个进程，每个进程虽然只有一个线程，但是多个进程可以一起执行多个任务
• 多线程模式
  启动一个进程，在一个进程的内部启动多个线程，这样多个线程也可以一起执行多个任务
• 多进程+多线程
  启动多个进程，每个进程再启动多个线程
• 协程
• 多进程+协程

二、进程

1、概念

• 什么是进程？
  是计算机中的程序关于某数据集合上的一次运行活动，是系统进行资源分配和调度的基本单位，是操作系统结构的基础。
• 对于操作系统
  一个任务就是一个进程。比方说打开浏览器就是启动一个浏览器的进程，在打开一个记事本就启动一个记事本进程，如果打开两个记事本就启动两个记事本进程

2、使用进程

• 单进程现象
  需要等待代码执行完后再执行下一段代码

import time

def run1():
while 1:
print("lucky is a good man")
time.sleep(1)

def run2():
while 1:
print("lucky is a nice man")
time.sleep(1)

if __name__ == "__main__":
run1()
# 不会执行run2()函数，只有上面的run1()结束才能执行run2()
run2()

• 启动进程实现多任务

• multiprocessing模块
  跨平台的多进程模块，提供了一个Process类用来实例化一个进程对象
• Process类
  作用：创建进程(子进程)
• ​​__name__​​
• 这是 Windows 上多进程的实现问题。在 Windows 上，子进程会自动 import 启动它的这个文件，而在 import 的时候是会执行这些语句的。如果你这么写的话就会无限递归创建子进程报错。所以必须把创建子进程的部分用那个 if 判断保护起来，import 的时候 __name__ 不是 __main__ ，就不会递归运行了。

参数	说明
target	指定进程执行的任务
args	给进程函数传递的参数，是一个元组

注意：此时进程被创建，但是不会启动进程执行,target传入的是函数名,这样函数返回的就是函数体

• 启动进程实现多任务
  from multiprocessing import Process
  创建子进程
  P = Process(target=run,args=("nice",),name='当前进程名称')

• target指定 子进程运行的函数
• args 指定传递的参数 , 是元组类型
• 启动进程：Process对象.start()

获取进程信息

• os.getpid() 获取当前进程id号

• os.getppid() 获取当前进程的父进程id号

• multiprocessing.current_process().name 获取当前进程名称

父子进程的先后顺序

• 默认 父进程的结束不能影响子进程 让父进程等待子进程结束再执行父进程
• p.join() 阻塞当前进程，直到调用join方法的那个进程执行完，再继续执行当前进程。
• 全局变量在过个进程中不能共享
  注意: 在子线程中修改全局变量时对父进程中的全局变量没有影响
• 示例代码

import time

from multiprocessing import Process

def run1(name):
while 1:
print("%s is a good man"%name)
time.sleep(1)

def run2():
while 1:
print("lucky is a nice man")
time.sleep(1)

if __name__ == "__main__":
# 程序启动时的进程称为主进程(父进程)

# 创建进程并启动
p = Process(target=run1, args=("lucky",))
p.start()

# 主进程执行run2()函数
run2()

这段代码的意思就是父进程执行run2的时候子进程也会开启,执行run2,如果不给两个函数加time,这两个函数就会抢占cpu的资源调度

• 主进程负责调度
  主进程主要做的是调度相关的工作，一般不负责具体业务逻辑(在主进程实现子进程功能)

import time
from multiprocessing import Process

def run1():
for i in range(7):
print("lucky is a good man")
time.sleep(1)

def run2(name, word):
for i in range(5):
print("%s is a %s man"%(name, word))
time.sleep(1)

if __name__ == "__main__":
t1 = time.time()

# 创建两个进程分别执行run1、run2
p1 = Process(target=run1)
p2 = Process(target=run2, args=("lucky", "cool"))

# 启动两个进程
p1.start()
p2.start()

# 查看耗时
t2 = time.time()
print("耗时：%.2f"%(t2-t1))

• 父子进程的先后顺序
  主进程的结束不能影响子进程，所以可以等待子进程的结束再结束主进程，等待子进程结束，才能继续运行主进程
  p.join() 阻塞当前进程，直到调用join方法的那个进程执行完，再继续执行当前进程。

import time
from multiprocessing import Process

def run1():
for i in range(7):
print("lucky is a good man")
time.sleep(1)

def run2(name, word):
for i in range(5):
print("%s is a %s man"%(name, word))
time.sleep(1)

if __name__ == "__main__":
t1 = time.time()

p1 = Process(target=run1)
p2 = Process(target=run2, args=("lucky", "cool"))

p1.start()
p2.start()

# 主进程的结束不能影响子进程，所以可以等待子进程的结束再结束主进程
# 等待子进程结束，才能继续运行主进程
p1.join()
p2.join()

t2 = time.time()
print("耗时：%.2f"%(t2-t1))

3、全局变量在多个子进程中不能共享

原因:

在创建子进程时对全局变量做了一个备份,父进程中num变量与子线程中的num不是一个变量

from multiprocessing import Process
#全局变量在进程中 不能共享
num = 10
def run():
print("我是子进程的开始")
global num
num+=1
print(num)
print("我是子进程的结束")
if __name__=="__main__":
p = Process(target=run)
p.start()
p.join()

print(num)

尝试列表是否能共享

from multiprocessing import Process
#全局变量在进程中 不能共享
mylist = []
def run():
print("我是子进程的开始")
global mylist
mylist.append(1)
mylist.append(2)
mylist.append(3)
print("我是子进程的结束")

if __name__=="__main__":
p = Process(target=run)
p.start()
p.join()

print(mylist)

4、启动大量子进程

• 获取CPU核心数
  print('CPU number:' + str(multiprocessing.cpu_count()))
• 导入
  from multiprocesssing import Pool
• 开启并发数
  pp = Pool([参数]) #开启并发数 默认是你的核心数
• 创建子进程,并放入进程池管理
  apply_async为非阻塞模式(并发执行)
  pp.apply_async(run,args=(i,)) #args参数 可以为元组 或者是列表[]
  (这里就是从单个进程的p.start()转换成了进程池的pp.apply_async,记忆一下就好)
• 关闭进程池
  pp.close()关闭进程池
• join()
  在调用join之前必须先调用close,调用close之后就不能再继续添加新的进程了
  pp.join()
  进程池对象调用join，会等待进程池中所有的子进程结束完毕再去执行父进程
• 实例

# Pool类：进程池类
from multiprocessing import Pool
import time
import random
import multiprocessing

def run(index):
print('CPU number:' + str(multiprocessing.cpu_count()))
print("子进程 %d 启动"%(index))
t1 = time.time()
time.sleep(random.random()* 5+2)
t2 = time.time()
print("子进程 %d 结束，耗时：%.2f" % (index, t2-t1))

if __name__ == "__main__":
print("启动主进程……")

# 创建进程池对象
# 由于pool的默认值为CPU的核心数，假设有4核心，至少需要5个子进程才能看到效果
# Pool()中的值表示可以同时执行进程的数量
pool = Pool(2)
for i in range(1, 7):
# 创建子进程，并将子进程放到进程池中统一管理
pool.apply_async(run, args=(i,))

# 等待子进程结束
# 关闭进程池：在关闭后就不能再向进程池中添加进程了
# 进程池对象在调用join之前必须先关闭进程池
pool.close()
#pool对象调用join，主进程会等待进程池中的所有子进程结束才会继续执行主进程
pool.join()

print("结束主进程……")

get方法：获取进程的返回值

from multiprocessing import Lock, Pool
import time

def function(index):
print('Start process: ', index)
time.sleep(2)
print('End process', index)
return index
if name == 'main':
pool = Pool(processes=3)
for i in range(4):
result = pool.apply_async(function, (i,))
print(result.get()) #获取每个 子进程的返回值
print("Started processes")
pool.close()
pool.join()
print("Subprocess done.")

注意：这样来获取每个进程的返回值 那么就会变成单进程

5、map方法

• 概述
  如果你现在有一堆数据要处理，每一项都需要经过一个方法来处理，那么map非常适合
  比如现在你有一个数组，包含了所有的URL，而现在已经有了一个方法用来抓取每个URL内容并解析，那么可以直接在map的第一个参数传入方法名，第二个参数传入URL数组。
• 概述

from multiprocessing import Pool
import requests
from requests.exceptions import ConnectionError

def scrape(url):
try:
print(requests.get(url))
except ConnectionError:
print('Error Occured ', url)
finally:
print('URL', url, ' Scraped')

   
if __name__ == '__main__':
pool = Pool(processes=3)
urls = [
'https://www.baidu.com',
'http://www.meituan.com/',
'http://blog.csdn.net/',
'http://xxxyxxx.net'
      ]
pool.map(scrape, urls)

在这里初始化一个Pool，指定进程数为3，如果不指定，那么会自动根据CPU内核来分配进程数。

然后有一个链接列表，map函数可以遍历每个URL，然后对其分别执行scrape方法。

6、单进程与多进程复制文件对比

• 单进程复制文件

import time

def copy_file(path, toPath):
with open(path, "rb") as fp1:
with open(toPath, "wb") as fp2:
while 1:
info = fp1.read(1024)
if not info:
break
else:
fp2.write(info)
fp2.flush()

if __name__ == "__main__":
t1 = time.time()

for i in range(1, 5):
path = r"/Users/lucky/Desktop/file/%d.mp4"%i
toPath = r"/Users/lucky/Desktop/file2/%d.mp4"%i
copy_file(path, toPath)

t2 = time.time()
print("单进程耗时：%.2f"%(t2-t1))

• 多进程复制文件

import time
from multiprocessing import Pool
import os

def copy_file(path, toPath):
with open(path, "rb") as fp1:
with open(toPath, "wb") as fp2:
while 1:
info = fp1.read(1024)
if not info:
break
else:
fp2.write(info)
fp2.flush()

if __name__ == "__main__":
t1 = time.time()
path = r"/Users/xialigang/Desktop/视频"
dstPath = r"/Users/xialigang/Desktop/1视频"
fileList = os.listdir(path)
pool = Pool()

for i in fileList:
newPath1 = os.path.join(path, i)
newPath2 = os.path.join(dstPath, i)
pool.apply_async(copy_file, args=(newPath1, newPath2))

pool.close()
pool.join()

t2 = time.time()
print("耗时：%.2f"%(t2-t1))

7、进程间通信

• 队列共享

• 导入
  from multiprocessing import Queue
• 使用
  que = Queue() #创建队列
  que.put(数据) #压入数据
  que.get() #获取数据
• 队列常用函数
  Queue.empty() 如果队列为空，返回True, 反之False
  Queue.full() 如果队列满了，返回True,反之False
  Queue.get([block[, timeout]]) 获取队列，timeout等待时间
  Queue.get_nowait() 相当Queue.get(False)
  Queue.put(item) 阻塞式写入队列，timeout等待时间
  Queue.put_nowait(item) 相当Queue.put(item, False)
• 特点：先进先出
• 注意：
  get方法有两个参数，blocked和timeout，意思为阻塞和超时时间。默认blocked是true，即阻塞式。
  当一个队列为空的时候如果再用get取则会阻塞，所以这时候就需要吧blocked设置为false，即非阻塞式，实际上它就会调用get_nowait()方法，此时还需要设置一个超时时间，在这么长的时间内还没有取到队列元素，那就抛出Queue.Empty异常。
  当一个队列为满的时候如果再用put放则会阻塞，所以这时候就需要吧blocked设置为false，即非阻塞式，实际上它就会调用put_nowait()方法，此时还需要设置一个超时时间，在这么长的时间内还没有放进去元素，那就抛出Queue.Full异常。
  另外队列中常用的方法
• 队列的大小
  Queue.qsize() 返回队列的大小 ，不过在 Mac OS 上没法运行。

实例

import multiprocessing
queque = multiprocessing.Queue() #创建 队列
#如果在子进程 和主进程 之间 都压入了数据 那么在主进程 和 子进程 获取的就是 对方的数据
def fun(myque):
# print(id(myque)) #获取当前的队列的存储地址  依然是拷贝了一份
myque.put(['a','b','c']) #在子进程里面压入数据
# print("子进程获取",myque.get())#获取队列里面的值

if __name__=='__main__':
# print(id(queque))
queque.put([1,2,3,4,5]) #将列表压入队列  如果主进程也压入了数据 那么在主进程取的就是在主进程压入的数据 而不是子进程的
p = multiprocessing.Process(target=fun,args=(queque,))
p.start()
p.join()
print("主进程获取",queque.get())#在主进程进行获取
print("主进程获取",queque.get())#在主进程进行获取
# print("主进程获取",queque.get(block=True, timeout=1))#在主进程进行获取

• 字典共享

• 导入
  import multiprocess
• 概述
  Manager是一个进程间高级通信的方法 支持Python的字典和列表的数据类型
• 创建字典
  myDict = multiprocess.Manager().dict()

实例

import multiprocessing
def fun(mydict):
# print(mylist)
mydict['x'] = 'x'
mydict['y'] = 'y'
mydict['z'] = 'z'
if name=='main':
# Manager是一种较为高级的多进程通信方式，它能支持Python支持的的任何数据结构。
mydict = multiprocessing.Manager().dict()
p = multiprocessing.Process(target=fun,args=(mydict,))
p.start()
p.join()
print(mydict)

• 列表共享

• 导入
  import multiprocess
• 创建列表
  myDict = multiprocess.Manager().list()

实例(字典与列表共享)

import multiprocessing

def fun(List):
# print(mylist)
List.append('x')
List.append('y')
List.append('z')

if __name__=='__main__':
# Manager是一种较为高级的多进程通信方式，它能支持Python支持的的任何数据结构。
List = multiprocessing.Manager().list()
p = multiprocessing.Process(target=fun,args=(List,))
p.start()
p.join()
print(List)

• 注意
  进程名.terminate() 强行终止子进程
• daemon
  在这里介绍一个属性，叫做deamon。每个进程程都可以单独设置它的属性，如果设置为True，当父进程结束后，子进程会自动被终止。
  进程.daemon = True
  设置在start()方法之前

import multiprocessing
import time
def fun():
time.sleep(100)
if __name__=='__main__':
p = multiprocessing.Process(target=fun)
p.daemon = True
p.start()
print('over')

• 进程名.terminate() 强行终止子进程

import multiprocessing
import time
def fun():
    time.sleep(100)
if __name__=='__main__':
    p = multiprocessing.Process(target=fun)
    p.start()
    p.terminate()
    p.join()
    print('over')

8、进程实现生产者消费者

生产者消费者模型描述：

生产者是指生产数据的任务，消费者是指消费数据的任务。

当生产者的生产能力远大于消费者的消费能力，生产者就需要等消费者消费完才能继续生产新的数据，同理，如果消费者的消费能力远大于生产者的生产能力，消费者就需要等生产者生产完数据才能继续消费，这种等待会造成效率的低下，为了解决这种问题就引入了生产者消费者模型。

生产者/消费者问题可以描述为：两个或者更多的进程（线程）共享同一个缓冲区，其中一个或多个进程（线程）作为“生产者”会不断地向缓冲区中添加数据，另一个或者多个进程（线程）作为“消费者”从缓冲区中取走数据。

• 代码

from multiprocessing import Process
from multiprocessing import Queue
import time

def product(q):
print("启动生产子进程……")
for data in ["good", "nice", "cool", "handsome"]:
time.sleep(2)
print("生产出：%s"%data)
# 将生产的数据写入队列
q.put(data)
print("结束生产子进程……")

def customer(q):
print("启动消费子进程……")
while 1:
print("等待生产者生产数据")
# 获取生产者生产的数据，如果队列中没有数据会阻塞，等待队列中有数据再获取
value = q.get()
print("消费者消费了%s数据"%(value))
print("结束消费子进程……")

if __name__ == "__main__":
q = Queue()

p1 = Process(target=product, args=(q,))
p2 = Process(target=customer, args=(q,))

p1.start()
p2.start()

p1.join()
# p2子进程里面是死循环，无法等待它的结束
# p2.join()
# 强制结束子进程
p2.terminate()

print("主进程结束")